Vision-Based Traffic Accident Detection and Anticipation: A Survey
Auteurs : Jianwu Fang, iahuan Qiao, Jianru Xue, Zhengguo Li
Points clés générés par l'IA
- La détection et l'anticipation des accidents de la circulation sont un problème persistant en matière de sécurité routière.
- Les systèmes Vision-TAD et Vision-TAA sont les derniers défis à relever pour une conduite sûre et une surveillance efficace.
- Ces systèmes doivent faire face aux caractéristiques complexes et incertaines des accidents de la circulation, tels que leur distribution déséquilibrée et leur dynamisme élevé.
- La première étude sur la Vision-TAD à l'ère de l'apprentissage profond est présentée ici, ainsi que la toute première étude sur la Vision-TAA.
- Les avantages et les inconvénients de chaque prototype de recherche sont examinés en détail dans cette enquête.
- Une analyse critique des 31 références publiques disponibles ainsi que des métriques d'évaluation associées est également proposée.
- Cette étude vise à apporter de nouvelles perspectives et à ouvrir des pistes possibles pour les tâches liées à la Vision-TAD et à la Vision-TAA.
Résumé : Traffic accident detection and anticipation is an obstinate road safety problem and painstaking efforts have been devoted. With the rapid growth of video data, Vision-based Traffic Accident Detection and Anticipation (named Vision-TAD and Vision-TAA) become the last one-mile problem for safe driving and surveillance safety. However, the long-tailed, unbalanced, highly dynamic, complex, and uncertain properties of traffic accidents form the Out-of-Distribution (OOD) feature for Vision-TAD and Vision-TAA. Current AI development may focus on these OOD but important problems. What has been done for Vision-TAD and Vision-TAA? What direction we should focus on in the future for this problem? A comprehensive survey is important. We present the first survey on Vision-TAD in the deep learning era and the first-ever survey for Vision-TAA. The pros and cons of each research prototype are discussed in detail during the investigation. In addition, we also provide a critical review of 31 publicly available benchmarks and related evaluation metrics. Through this survey, we want to spawn new insights and open possible trends for Vision-TAD and Vision-TAA tasks.
Outils pour cet article
Posez des questions sur cet article à notre assistant IA
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.
Le résumé précédent a été créé il y a plus d'un an et peut être réexécuté (si nécessaire) en cliquant sur le bouton Exécuter ci-dessous.
⚠La licence de cet article spécifique ne nous permet pas de nous appuyer sur son contenu et les outils de synthèse seront exécutés en utilisant les métadonnées de l'article plutôt que l'article complet. Cependant, l'outil produira quand même un bon résultat, et vous pouvez également essayer nos outils sur des papiers avec des licences plus ouvertes.
Articles similaires résumés avec nos outils d'IA
Naviguez à travers encore plus d'articles similaires en utilisant une
représentation arborescenteRecherchez des articles similaires (en version bêta)
Nous comparons le titre et le résumé avec les articles indexés dans notre base. Pour les articles arXiv, la recherche porte sur la même catégorie ; pour les DOI et les autres sources, elle couvre toutes les sources et disciplines. Vous pouvez la relancer à mesure que notre base s’enrichit.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.